开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

调整窗口大小时激活函数

是指在前端开发中，当用户调整浏览器窗口大小时触发的JavaScript函数。它通常用于响应式设计，以确保网页在不同设备和窗口尺寸下能够适应并呈现最佳的用户体验。

激活函数可以通过监听窗口的resize事件来实现。当窗口大小发生变化时，激活函数会被调用，开发者可以在该函数中编写相应的代码来处理窗口大小变化的逻辑。

优势：

响应式设计：激活函数可以帮助开发者实现响应式设计，使网页能够根据不同的窗口大小自动调整布局和样式，提供更好的用户体验。
窗口适应性：通过激活函数，开发者可以根据窗口大小的变化，动态调整页面元素的大小、位置和样式，以适应不同的设备和屏幕尺寸。
用户友好性：通过激活函数，开发者可以在窗口大小变化时进行一些交互操作，如隐藏或显示特定的元素、加载不同的内容，以提供更好的用户友好性。

应用场景：

响应式网页设计：激活函数在响应式网页设计中起到关键作用，可以根据窗口大小的变化，调整网页布局和样式，以适应不同的设备和屏幕尺寸。
动态元素调整：激活函数可以用于调整动态元素的大小和位置，如轮播图、弹出窗口等，以确保它们在不同窗口大小下的正确显示。
响应式导航菜单：激活函数可以用于实现响应式导航菜单，当窗口较小时，可以将导航菜单转换为下拉菜单，提供更好的用户体验。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云云服务器（CVM）：提供弹性计算能力，适用于各种应用场景。详情请参考：https://cloud.tencent.com/product/cvm
腾讯云云函数（SCF）：无服务器计算服务，可根据事件自动触发函数执行。详情请参考：https://cloud.tencent.com/product/scf
腾讯云云数据库MySQL版（TencentDB for MySQL）：提供高性能、可扩展的云数据库服务。详情请参考：https://cloud.tencent.com/product/cdb_mysql
腾讯云内容分发网络（CDN）：加速静态和动态内容的传输，提供更快的访问速度。详情请参考：https://cloud.tencent.com/product/cdn
腾讯云人工智能（AI）：提供丰富的人工智能服务，如图像识别、语音识别等。详情请参考：https://cloud.tencent.com/product/ai

相关搜索:js函数在调整窗口大小时重复调整窗口大小时QRubberBand移动调整窗口大小时元素跳转 Mouseover函数和mouseleave函数在调整窗口大小时保持工作 Qgraphicview在调整窗口大小时调整大小调整窗口大小时停止图像抖动调整窗口大小时图像大小缩小鼠标调整大小时QQuickView窗口冻结调整窗口大小时，UI不会移动调整窗口大小时重置div高度调整窗口大小时HTML元素消失 CSS，调整窗口大小时按钮消失 Div在调整窗口大小时不能正确调整大小调整窗口大小时，我的按钮无法调整大小如何在调整窗口大小时调整内容大小？更改窗口大小时调整WPF弹出窗口位置调整窗口大小时获取div的高度 HTML在调整窗口大小时更改位置窗口调整大小时隐藏或显示vuejs 调整窗口大小时，Bulma卡片更改宽度

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习在文本分类中的应用

近期阅读了一些深度学习在文本分类中的应用相关论文（论文笔记：http://t.cn/RHea2Rs )，同时也参加了 CCF 大数据与计算智能大赛（BDCI）2017 的一个文本分类问题的比赛：让 AI 当法官，并取得了最终评测第四名的成绩 (比赛的具体思路和代码参见 github 项目 repo：http://t.cn/RHeaczg )。因此，本文总结了文本分类相关的深度学习模型、优化思路以及今后可以进行的一些工作。文本分类任务介绍文本分类是自然语言处理的一个基本任务，试图推断出给定的文本（句子

06

自然语言处理中的词表示法

自然语言处理属于人工智能领域，它将人类语言当做文本或语音来处理，以使计算机和人类更相似，是人工智能最复杂的领域之一。由于人类的语言数据格式没有固定的规则和条理，机器往往很难理解原始文本。

02

自然语言处理之Skip-Gram的预测算法

自然语言处理属于人工智能领域，它将人类语言当做文本或语音来处理，以使计算机和人类更相似，是人工智能最复杂的领域之一。由于人类的语言数据格式没有固定的规则和条理，机器往往很难理解原始文本。

01

深度学习在文本分类中的应用

近期阅读了一些深度学习在文本分类中的应用相关论文（论文笔记)，同时也参加了CCF 大数据与计算智能大赛（BDCI）2017的一个文本分类问题的比赛：让AI当法官，并取得了最终评测第四名的成绩(比赛的具体思路和代码参见github项目repo)。因此，本文总结了文本分类相关的深度学习模型、优化思路以及今后可以进行的一些工作。欢迎转载 1. 文本分类任务介绍文本分类是自然语言处理的一个基本任务，试图推断出给定的文本（句子、文档等）的标签或标签集合。文本分类的应用非常广泛。如：垃圾邮件分类：二分类问

06

头疼！卷积神经网络是什么？CNN结构、训练与优化一文全解

卷积神经网络（Convolutional Neural Networks, CNN）的复杂性和灵活性使其成为深度学习领域的核心研究主题之一。在本引言部分中，我们将深入探讨CNN的历史背景、基本原理、重要性以及其在科学和工业领域的影响。

02

Recurrent Neural Networks for Time Series Forecasting: Current status and future directions

2021 International Journal of Forecasting

01

论文学习-系统评估卷积神经网络各项超参数设计的影响-Systematic evaluation of CNN advances on the ImageNet

论文状态：Published in CVIU Volume 161 Issue C, August 2017 论文地址：https://arxiv.org/abs/1606.02228 github地址：https://github.com/ducha-aiki/caffenet-benchmark

02

白话词嵌入：从计数向量到Word2Vec

答案是——“文本处理”。上面三个场景通过处理海量文本，完成了三个不同的任务：聚类、分类和机器翻译。

01

算法工程师-深度学习类岗位面试题目

激活函数作用：如果不用激励函数（其实相当于激励函数是 f(x) = x），在这种情况下你每一层节点的输入都是上层输出的线性函数，很容易验证，无论你神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当，这种情况就是最原始的感知机（Perceptron）了，那么网络的逼近能力就相当有限。正因为上面的原因，我们决定引入非线性函数作为激励函数，这样深层神经网络表达能力就更加强大（不再是输入的线性组合，而是几乎可以逼近任意函数）。

01

教程 | 自动化机器学习第一步：使用Hyperopt自动选择超参数

选自Medium 作者：Alex Honchar 机器之心编译参与：Panda 有时候在学习神经网络教程时，我们通常会看到有的实验似乎理所当然地就选定了某种神经网络架构以及特定的网络层数、激活函数、损失函数等等，却没有解释原因。因为解释起来有点难。是的，深度学习社区选择 ReLU（或更现代的选择 ELU 或 SELU）作为激活函数是「常态」，而且我们基本上也欣然接受，但我们通常并没有思考这是否是正确的。比如在网络的层数和优化器的学习率选择上，我们通常都遵循标准。近日，机器学习开发者兼饶舌歌手 Alex H

09

机器学习100问|Word2Vec是如何工作的？它和LDA有什么区别与联系？

CBOW的目标是根据上下文出现的词语来预测当前词的生成概率，如图（a）所示；而Skip-gram是根据当前词来预测上下文中各词的生成概率，如图（b）所示。

05

Word2Vec教程-Skip-Gram模型模型“伪”任务关于模型的更多细节隐藏层输出层

原文：Word2Vec Tutorial - The Skip-Gram Model ---- 这篇教程主要讲述了Word2Vec中的skip gram模型，主要目的是避免普遍的浅层介绍和抽象观点，而是更加详细地探索Word2Vec。现在我们开始研究skip gram模型吧模型 skip-gram实际上是非常简单的神经网络模型形式；我认为任何所有微小的调整和变化都会使解释困扰。我们进一步看，你可能在机器学习使用Word2Vec时用到下面一个技巧：使用一个隐藏层的简单神经网络来执行某个任务，但是接下

04

Word2Vec教程-Skip-Gram模型

原文：Word2Vec Tutorial - The Skip-Gram Model（http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/）这篇教程主要讲述了Word2Vec中的skip gram模型，主要目的是避免普遍的浅层介绍和抽象观点，而是更加详细地探索Word2Vec。现在我们开始研究skip gram模型吧。模型 skip-gram实际上是非常简单的神经网络模型形式；我认为任何所有微小的调整和变化都会使

05

谈谈我在自然语言处理入门的一些个人拙见

因为最近在准备本科毕设的论文部分，所以最近原创的相对比较少，但是为了坚持每天学点新知识，我也逼着自己每天抽出晚上的1小时左右把自己想到的并且自己还没理解的小知识点的网上搜索下好的文章，能一下子读懂的，最好有图之类的文章，再根据自己的一些小理解，将文章编辑下，分享给大家。末尾再附上自己的当天准备的五个托福单词，这五个单词我也不是我先学过的，而是托福单词随机到的，在我编辑的时候我也刚好学下。正是在这种逼自己的情况下，我觉得我在这一个多月的时间里真的涨了不少知识。我也真心希望我的粉丝们跟我一样，每天逼着自己，学点知识，用不了一个月，即使一个星期你也会有很多收获的。当然大神们就继续自己的学习方法哈。嘿嘿。

02

【经验】关于自然语言处理入门的建议

因为最近在准备本科毕设的论文部分，所以最近原创的相对比较少，但是为了坚持每天学点新知识，我也逼着自己每天抽出晚上的1小时左右把自己想到的并且自己还没理解的小知识点的网上搜索下好的文章，能一下子读懂的，最好有图之类的文章，再根据自己的一些小理解，将文章编辑下，分享给大家。末尾再附上自己的当天准备的五个托福单词，这五个单词我也不是我先学过的，而是托福单词随机到的，在我编辑的时候我也刚好学下。正是在这种逼自己的情况下，我觉得我在这一个多月的时间里真的涨了不少知识。我也真心希望我的粉丝们跟我一样，每天逼着自己，学点知识，用不了一个月，即使一个星期你也会有很多收获的。当然大神们就继续自己的学习方法哈。嘿嘿。

02

卷积神经网络基础

计算利用卷积核，将卷积核覆盖到图像上，再将卷积核上面的值与图像层相乘，最后相加得到该区域的值。

01

PyTorch中的LeNet-5入门

LeNet-5是一个经典的卷积神经网络（CNN）模型，由Yann LeCun等人在1998年提出。它在手写数字识别任务上取得了很好的性能，并被广泛应用于图像分类问题。本文将介绍如何使用PyTorch实现LeNet-5模型，并在MNIST手写数字数据集上进行训练和测试。

02

JTB | CNN实现“可视化”蛋白质-多肽结合特征来预测其结合位点

今天给大家介绍南太平洋大学Wafaa Wardah等人在Journal of theoretical biology上发表的文章“Predictingprotein-peptide binding sites with a Deep Convolutional Neural Network”。蛋白质-多肽结合位点的预测在疾病预防和药物研发领域都具有举足轻重的地位，然而现有的预测方法在实际预测时并没有表现出非常好的效果，特别是在敏感度方面甚至还没有达到50%。作者在文章中提出了一种使用CNN框架处理“可视化”蛋白质特征数据来预测蛋白质-多肽结合位点的方法，作者创新性地引入“滑动窗口法”将初始蛋白质特征数据转换为可以“可视化”的矩阵信息，然后将其输入CNN框架进行训练，最后经过一个全连接网络输出预测结果，并且在CNN框架中还嵌入了贝叶斯优化的方法来处理超参数，使模型在测试集上取得了极好的效果。

02

超越 ReLU 和 Sigmoid | 新型激活函数锥形和抛物锥形的研究，训练速度再上一层！

自从发现类似ReLU的激活函数[1]以来，一个悬而未决的问题是：是否存在一个更好的一类激活函数，这类激活函数与sigmoid型和ReLU型激活函数都有显著不同[2]。本文通过提出一类新的激活函数，肯定地回答了上述基本问题。尽管深度人工神经网络（ANNs）的复杂性很高，但ANN中的每个单独的神经元本质上都是通过用一个超平面将其输入分离来进行线性决策的。特别是，能够从一个单一神经元得到正输出的一组输入构成了一个半空间。

01

AI大模型之路第二篇： Word2Vec介绍

今天我来总结大模型第二篇，word2vec，它是大模型的根基，一切NLP都会用到它。

01

【深度学习 | 梯度那些事】梯度爆炸或消失导致的模型收敛困难？挑战与解决方案一览，确定不来看看？

🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

01

【深度学习 | 梯度那些事】梯度爆炸或消失导致的模型收敛困难？挑战与解决方案一览，确定不来看看？

梯度爆炸是指在使用梯度下降算法时，由于某些原因导致梯度值变得非常大，从而对参数的更新产生巨大影响。这可能会导致模型无法收敛或收敛速度过慢。

04

译文 | 与TensorFlow的第一次接触第五章：多层神经网络

本章中，我们继续使用之前章节中的MNIST数字识别问题，与读者一起编码实现一个简单的深度学习神经网络。如我们所了解的，一个深度学习神经网络由相互叠加的多层组成。特别的，本章中我们会建立一个卷积神经网络---典型的深度学习样例。卷积神经网络由Yann LeCunn及其它人一起在1998年发明并流行起来。这些卷积网络在最近的图像识别中引领了最高性能表现；例如，在这个数字识别的例子中，它就达到了高于99%的精度。本章的其余部分，我会通过示例代码来讲解神经网络中最重要的两个概念：卷积和池化，关于它们参数的细节超

04

实战 | 速度快3倍，大小仅1/4，这项技术教你多快好省搭建深度学习模型

一般来说，神经网络层数越深、参数越多，所得出的结果就越精细。但与此同时，问题也来了：越精细，意味着所消耗的计算资源也就越多。这个问题怎么破？这就要靠剪枝技术了。言下之意，把那些对输出结果贡献不大的参数剪掉。这项技术可追溯至深度学习大神Yan LeCun在1990年的研究。本文除了对各类剪枝技术进行详解，还会以案例的形式来进行实验实操：修剪一个基于VGG-16模型的猫狗分类器。这个案例结果证明，剪枝后的模型在速度上比原来快了近3倍，而文件大小只有原来的1/4。这对于移动设备，速度和大小都极其重要。

[自动调参]深度学习模型的超参数自动化调优详解

在实践中，经验丰富的机器学习工程师和研究人员会培养出直觉，能够判断上述选择哪些可行、哪些不可行。也就是说，他们学会了调节超参数的技巧。但是调节超参数并没有正式成文的规则。如果你想要在某项任务上达到最佳性能，那么就不能满足于一个容易犯错的人随意做出的选择。即使你拥有很好的直觉，最初的选择也几乎不可能是最优的。你可以手动调节你的选择、重新训练模型，如此不停重复来改进你的选择，这也是机器学习工程师和研究人员大部分时间都在做的事情。但是，整天调节超参数不应该是人类的工作，最好留给机器去做。

01

如何一夜暴富？这里有一份比特币价格预测指南

图片来源：Hacker News 翻译 | AI科技大本营（rgznai100）参与 | 王赫编辑 | Donna 近年来，以比特币为代表的加密数字货币一直是社交媒体和搜索引擎上的热门。但是，比特币价格浮动也使各位看官们经历了过山车般的体验。随着本周各大权威机构纷纷表示看好区块链的未来，从1月17日到18日凌晨，比特币成功止住前一日暴跌的颓势，涨幅接近20%（18.46%）。如果我们能够智能化的制定投资策略的话，就能发现这些反复无常的波动背后潜藏着巨大的利润。与传统金融工具相比，加密货币由于

07

如何一夜暴富？深度学习教你预测比特币价格

关键时刻，第一时间送达！参与 |王赫编辑 | Donna 近年来，以比特币为代表的加密数字货币一直是社交媒体和搜索引擎上的热门。但是，比特币价格浮动也使各位看官们经历了过山车般的体验。随着本周各大权威机构纷纷表示看好区块链的未来，从1月17日到18日凌晨，比特币成功止住前一日暴跌的颓势，涨幅接近20%（18.46%）。如果我们能够智能化的制定投资策略的话，就能发现这些反复无常的波动背后潜藏着巨大的利润。与传统金融工具相比，加密货币由于缺乏指标数据，预测变得非常困难。本文以当下最火的比特币为例

07

如何一夜暴富？这里有一份比特币价格预测指南

图片来源：Hacker News 翻译 | AI科技大本营（rgznai100）参与 | 王赫编辑 | Donna 近年来，以比特币为代表的加密数字货币一直是社交媒体和搜索引擎上的热门。但是，比特币价格浮动也使各位看官们经历了过山车般的体验。随着本周各大权威机构纷纷表示看好区块链的未来，从1月17日到18日凌晨，比特币成功止住前一日暴跌的颓势，涨幅接近20%（18.46%）。如果我们能够智能化的制定投资策略的话，就能发现这些反复无常的波动背后潜藏着巨大的利润。与传统金融工具相比，加密货币由于

02

毕业论文——基于xxLSTM模型的移动对象位置预测

本文简要概述一下我的毕业论文思路，完整可执行代码大概在5月左右开源在Github，主要是为了证明学术诚信，而且太早开源不好，等我快要答辩了再开源

06

【深度学习】卷积神经网络（CNN）

我们来看一个最简单的例子：“边界检测（edge detection）”，假设我们有这样的一张图片，大小8×8：

01

Lasso for mac(窗口管理器)

Lasso mac中文版是一款好用的mac窗口管理工具，用鼠标移动窗口并调整窗口大小。单击并拖动-这就是您移动和调整窗口大小所需的一切，使用自定义布局快速排列和调整窗口大小。

07

【快速解决】使用python图形库，禁止用户拉伸收缩界面，使用tkinter中的window.resizable(False, False)技术：固定窗口大小与布局稳定性

当你在使用Python的tkinter库创建GUI（图形用户界面）应用程序时，可以使用window.resizable(False, False)技术来控制窗口是否可调整大小。这个技术有着重要的作用，特别是当你希望保持窗口的固定大小时。

01

深度学习之 TensorFlow（二）：TensorFlow 基础知识

1.TensorFlow 系统架构：分为设备层和网络层、数据操作层、图计算层、API 层、应用层。其中设备层和网络层、数据操作层、图计算层是 TensorFlow 的核心层。 2.TensorFlow 设计理念：　（1）将图的定义和图的运行完全分开。TensorFlow 完全采用符号式编程。　　　符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后需要对数据流图进行编译，此时的数据流图还是一个空壳，里面没有任何实际数据，只有把需要的输入放进去后，才能在

05

基于神经网络的文本特征提取——从词汇特征表示到文本向量

https://blog.csdn.net/u011239443/article/details/80898514 在实际系统我们会接触到许许多多的文本类型数据。如何将这部分数据用于作为机器学习模型的输入呢？一个常用的方法是将文本转化为一个能很好的表示它的向量，这里将称该向量称作为文本向量。本文将以尽可能少的数学公式介绍目前业界比较流行的基于神经网络进行文本特征提取，得到文本向量的方案。

02

Nat. Mach. Intell. | 使用指数激活函数改进卷积网络中基因组序列模体的表示

今天为大家介绍的是来自Peter K. Koo的一篇关于基因组表示的论文。深度卷积神经网络（CNN）在对调控基因组序列进行训练时，往往以分布式方式构建表示，这使得提取具有生物学意义的学习特征（如序列模体）成为一项挑战。在这里，作者对合成序列进行了全面分析，以研究CNN激活对模型可解释性的影响。作者表明，在第一层过滤器中使用指数激活与其他常用激活相比，始终导致可解释且鲁棒的模体表示。令人惊讶的是，作者证明了具有更好测试性能的CNN并不一定意味着用属性方法提取出更可解释的表示。具有指数激活的CNN显着提高了用属性方法恢复具有生物学意义的表示的效果。

02

深度学习下的医学图像分析（二）

AI 研习社按：本文由图普科技编译自《Medical Image Analysis with Deep Learning Part2》，是最近发表的《深度学习下的医学图像分析（一）》的后续文章。雷锋网

05

【CV 入门必读论文】人脸检测的突破：探索 CNN 级联的力量

人脸检测一直是计算机视觉领域中一项重要而具有挑战性的任务。随着深度学习技术的迅猛发展，基于卷积神经网络（CNN）的人脸检测方法取得了显著的突破。其中一篇备受瞩目的论文是《A Convolutional Neural Network Cascade for Face Detection》，该论文于2015年发表于IEEE计算机视觉与模式识别会议（CVPR）。

04

山东大学人工智能导论实验四利用神经网络分类红色和蓝色的花

1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。

03

ELAN：将超分网络SwinIR高效化，最快可达4.5倍

本篇分享论文『Efficient Long-Range Attention Network for Image Super-resolution』，由香港理工大学、OPPO 提出ELAN：将超分网络SwinIR高效化，最快可达4.5倍。

02

HyperDock for Mac(Dock优化工具)v1.8.0.10中文激活版

mac用户的系统福利神器来啦！hyperdock for mac中文激活版是一款专为mac用户设计Dock优化软件，hyperdock mac版支持使用窗口自动排列功能，您可以直接通过将窗口拖拉至屏幕上方来快速最大化至全屏，又或者拖动到左右来进行左分屏和右分屏。而且Dock优化软件还有一个特色便是对Dock的强大管理哪里能力，只要将光标移动到Dock上的图标停留一会，如果该应用有在某个桌面有已经打开的窗口便会显示出来。如果移动到预览图里，还可以可以预览应用的情况，完美还原windows的使用习惯！

04

算法金 | 致敬深度学习三巨头：不愧是腾讯，LeNet问的巨细。。。

更多内容，见微*公号往期文章：有史以来最详细的卷积神经网络(CNN)及其变体讲解！！！（多图）

00

keras中的卷积层&池化层的用法

activation: 通常为’relu’，如果不指定任何值，则不应用任何激活函数，通常应该向网络中每个卷积层添加一个Relu激活函数

02

【DL笔记6】从此明白了卷积神经网络（CNN）

从【DL笔记1】到【DL笔记N】，是我学习深度学习一路上的点点滴滴的记录，是从Coursera网课、各大博客、论文的学习以及自己的实践中总结而来。从基本的概念、原理、公式，到用生动形象的例子去理解，到动手做实验去感知，到著名案例的学习，到用所学来实现自己的小而有趣的想法......我相信，一路看下来，我们可以感受到深度学习的无穷的乐趣，并有兴趣和激情继续钻研学习。正所谓 Learning by teaching，写下一篇篇笔记的同时，我也收获了更多深刻的体会，希望大家可以和我一同进步，共同享受AI无穷的乐趣。

02

基于系统日志分析进行异常检测

日志解析：https://github.com/logpai/logparser 异常检测：https://github.com/logpai/loglizer 预备知识：需要对逻辑回归、决策树、SVM、PCA、聚类等有一些了解论文原文： https://github.com/AmateurEvents/article/blob/master/System-Log-Analysis-for-Anomaly-Detection.pdf

02

最基本的25道深度学习面试问题和答案

近年来，对深度学习的需求不断增长，其应用程序被应用于各个商业部门。各公司现在都在寻找能够利用深度学习和机器学习技术的专业人士。在本文中，将整理深度学习面试中最常被问到的25个问题和答案。如果你最近正在参加深度学习相关的面试工作，那么这些问题会对你有所帮助。

01

从90年代的SRNN开始，纵览循环神经网络27年的研究进展

选自arXiv 作者：Hojjat Salehinejad等机器之心编译参与：刘晓坤、路雪、蒋思源近日，来自多伦多大学和滑铁卢大学的研究者撰文介绍循环神经网络的基础知识、近期发展和面临的挑战。机

Swin Transformer V2！MSRA原班人马提出了30亿参数版本的Swin Transformer！

在本文中，作者提出了将Swin Transformer缩放到30亿个参数的技术，并使其能够使用高达1536×1536分辨率的图像进行训练。通过扩大容量和分辨率，Swin Transformer在四个具有代表性的视觉基准上创造了新的记录：ImageNet-V2图像分类的84.0%top-1 准确度，COCO目标检测上的63.1/54.4box / mask mAP ，ADE20K语义分割的59.9 mIoU ，以及Kinetics-400视频动作分类的86.8%top-1 准确度。目前，视觉模型尚未像NLP语言模型那样被广泛探索，部分原因是训练和应用中的以下差异:

02

ICLR 2020 | 使用GAN进行高保真语音合成

本文是对 ICLR 2020 论文《High Fidelity Speech Synthesis with Adversarial Networks》的解读，论文作者来自谷歌。

01

一个可视化网站让你瞬间弄懂什么是卷积网络

视频演示：https://mpvideo.qpic.cn/0b2eleaawaaaqeacrtymk5svawodbnmqacya.f10002.mp4?

01

Transformer已成新霸主？FAIR等重新设计纯卷积ConvNet，性能反超

视觉识别的快速发展始于 Vision transformer (ViT) 的引入，其很快取代了传统卷积神经网络 (ConvNet)，成为最先进的图像分类模型。另一方面， ViT 模型在包括目标检测、语义分割等一系列计算机视觉任务中存在很多挑战。因此，有研究者提出分层 Transformer（如 Swin Transformer），他们重新引入 ConvNet 先验，这样使得 Transformer 作为通用视觉主干实际上可行，并在各种视觉任务上表现出卓越的性能。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭